CN102254176A

CN102254176A - 基于状态空间模型的雷达高分辨距离像目标识别方法

Info

Publication number: CN102254176A
Application number: CN 201110089135
Authority: CN
Inventors: 刘宏伟; 王鹏辉; 杜兰; 戴奉周; 纠博
Original assignee: Xidian University
Current assignee: Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Priority date: 2011-04-11
Filing date: 2011-04-11
Publication date: 2011-11-23
Anticipated expiration: 2031-04-11
Also published as: CN102254176B

Abstract

本发明提出了一种基于状态空间模型的雷达高分辨距离像目标识别方法，主要解决现有雷达高分辨距离像目标识别技术中，训练样本需求量大，识别性能差的问题。其实现过程是：提取训练样本归一化后的频谱幅度信号作为训练样本的识别特征；对训练样本的识别特征用状态空间模型建模；用期望最大化方法估计训练样本状态空间模型的所有参数，并将所有参数存入识别系统模板库；提取测试样本归一化后的频谱幅度信号作为测试样本的识别特征，并对测试样本的识别特征进行识别。本发明具有训练样本需求量小，识别性能高的优点，可用于对雷达目标的识别。

Description

基于状态空间模型的雷达高分辨距离像目标识别方法

技术领域

本发明属于雷达技术领域，涉及目标识别方法，可用于对飞机，车辆等目标进行识别。

背景技术

雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定。宽带雷达通常工作在光学区，此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域。

传统的目标识别方法只研究了不同高分辨距离像之间的关系，而忽略了单个高分辨距离像内各距离单元之间存在的联系，因而降低了识别系统的性能。同时，由于高分辨距离像具有很高的维度，在利用传统的目标识别方法训练识别系统时需要提供大量的高分辨距离像训练样本以保证识别系统参数的学习精度。众所周知，录取大量的高分辨距离像代价巨大，尤其是对于非合作目标，实际中更是难以获取大量的高分辨距离像样本，因而识别系统参数的学习精度不高。

发明内容

本发明的目的在于克服上述已有方法的不足，提出一种基于状态空间模型的雷高分辨距离像目标识别方法，以利用高分辨距离像内各距离单元之间的关系来提高识别系统的性能，同时放松识别系统对高分辨距离像训练样本数量的需求，提高识别系统参数的学习精度。

为实现上述发明目的，本发明的实现步骤如下：

1)对高分辨距离像训练样本进行傅里叶变换，将其转换到频域，并对训练样本的频域信号取模值，得到训练样本的频谱幅度信号y＝[y₁，y₂，...，y_d]，其中，y_f是训练样本的频谱幅度信号y的第f个元素，f＝1，2，...，d，d表示训练样本的频谱幅度信号y的维度，然后对训练样本的频谱幅度信号y进行归一化，将训练样本归一化后的频谱幅度信号z作为训练样本的识别特征；

2)对训练样本的识别特征z建立状态空间模型，即观测方程z_f和状态方程x_f+1：

z_f＝Cx_f+v_f，

x_f+1＝Ax_f+w_f，

其中，z_f表示训练样本的识别特征z的第f维元素，x_f是z_f对应的隐状态，C是观测方程z_f的观测矩阵，v_f是观测方程z_f的观测噪声，观测噪声v_f服从均值为0，方差为σ²的高斯分布，f＝1，2，...，d，x_f+1是z_f+1对应的隐状态，z_f+1表示训练样本的识别特征z的第f+1维元素，A是状态方程x_f+1的状态转移矩阵，w_f是状态方程x_f+1的状态噪声，状态噪声w_f服从均值为0，协方差矩阵为R的高斯分布，f＝1，2，...，d；

3)用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R，并将这些参数存入识别系统的模板库；

4)提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征，用各类目标模板库中观测方程和状态方程的参数，分别计算测试样本的识别特征z′的后验概率，得到一组后验概率值，选择该组后验概率值中最大后验概率值对应的目标类别，作为识别结果。

本发明具有训练样本需求量小，识别性能高的优点，可用于对雷达目标的识别。

附图说明

图1是本发明的流程图；

图2是用本发明对所有目标的识别结果随隐状态维数的变化曲线图；

图3是用本发明对所有目标的识别结果随训练样本集的大小变化曲线图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，从高分辨距离像训练样本中提取归一化频谱幅度信号作为训练样本的识别特征。

1.1)对高分辨距离像训练样本做傅里叶变换，得到训练样本的频域信号，为了克服训练样本频域信号的初相敏感性，对训练样本的频域信号进行取模操作，得到训练样本的频谱幅度信号y＝[y₁，y₂，...，y_d]，其中，y_f是训练样本频谱幅度信号y的第f个元素，f＝1，2，...，d，d表示训练样本频谱幅度信号y的维度；

1.2)对训练样本的频谱幅度信号y进行归一化：z＝y/||y||₂，以克服训练样本频谱幅度信号y的幅度敏感性，式中，z表示训练样本的归一化后的频谱幅度信号，||y||₂表示训练样本的频谱幅度信号y的模2范数，用训练样本的归一化后的频谱幅度信号z作为训练样本的识别特征。

步骤2，用状态空间模型对训练样本的识别特征z建模。

高分辨距离像的统计特性符合Bello提出的“宽平稳-不相关散射模型”的要求，因此，高分辨距离像的频谱幅度信号是一个平稳随机过程，在模式识别领域，常用状态空间模型对平稳随机过程建模，即设定隐状态维数m，m是正整数，对训练样本的识别特征z建立状态空间模型，即观测方程z_f和状态方程x_f+1：

z_f＝Cx_f+v_f，

x_f+1＝Ax_f+w_f

其中，z_f表示训练样本的识别特征z的第f维元素，x_f是z_f对应的隐状态，C是观测方程z_f的观测矩阵，v_f是观测方程z_f的观测噪声，观测噪声v_f服从均值为0，方差为σ²的高斯分布，f＝1，2，...，d，d是训练样本识别特征的维度，x_f+1是z_f+1对应的隐状态，z_f+1表示训练样本的识别特征z的第f+1维元素，A是状态方程x_f+1的状态转移矩阵，w_f是状态方程x_f+1的状态噪声，状态噪声w_f服从均值为0，协方差矩阵为R的高斯分布，f＝1，2，...，d。

步骤3，用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R，并将这些参数存入识别系统的模板库。

期望最大化方法是最大似然框架下的一种参数估计方法，它具有快速收敛的特点，期望最大化方法的具体步骤为：

3.1)用Kalman滤波方法，按照标号f从1到d的变化顺序，逐次估计训练样本识别特征z的所有隐状态x_f的前向预测均值和前向预测协方差矩阵，f＝1，2，...，d，d是训练样本识别特征的维度，再用RTS平滑方法按照标号f从d到1的变化顺序，逐次估计训练样本识别特征z的所有隐状态x_f的后向平滑均值和后向平滑协方差矩阵；

3.2)用训练样本识别特征z的所有隐状态x_f的前向预测均值、前向预测协方差矩阵、后向平滑均值和后向平滑协方差矩阵，更新训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R，f＝1，2，...，d；

3.3)将步骤3.1)-3.2)重复迭代100次，最终得到训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R。

步骤4，提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征，用各类目标模板库中状态空间模型的参数，分别计算测试样本的识别特征z′的后验概率，得到一组后验概率值，选择该组后验概率值中最大后验概率值对应的目标类别，作为识别结果。

4.1)对高分辨距离像测试样本进行傅里叶变换，将其转换到频域，并对测试样本的频域信号取模值，得到测试样本的频谱幅度信号y′＝[y₁′，y₂′，...，y_d′]，其中，y_i′是测试样本的频谱幅度信号y′的第i个元素，i＝1，2，...，d，d表示测试样本的频谱幅度信号y′的维度；

4.2)对测试样本的频谱幅度信号y′进行归一化，将测试样本归一化后的频谱幅度信号z′作为测试样本的识别特征；

4.3)利用识别系统中各类目标模板库中的状态空间模型参数，分别计算测试样本识别特征z′的后验概率，得到一组测试样本识别特征z′的后验概率值，从该组后验概率值中选择最大后验概率值对应的目标类别，作为识别结果。

本发明的效果通过以下对实测数据的实验进一步说明：

1.实验场景

本实验采用三类飞机目标的高分辨距离像来训练识别系统，三类飞机目标的参数和录取三类飞机目标高分辨距离像的雷达参数如下表所示：

表1 三类飞机目标的参数和雷达参数

表1中，“雅克-42”飞机目标包含七段高分辨距离像数据，“安-26”飞机目标包含七段高分辨距离像数据，“奖状”飞机目标包含五段高分辨距离像数据。本实验选取“雅克-42”飞机目标的第二段和第五段高分辨距离像数据、“奖状”飞机目标的第六段和第七段高分辨距离像数据以及“安-26”飞机目标的第五段和第六段高分辨距离像数据作为训练识别系统的训练样本，其余数据段内的高分辨距离像作为测试识别系统性能的待识别样本。所有高分辨距离像数据均为256维。

2.实验内容

2.1)在不同的隐状态维数条件下，对三类目标测试样本的识别特征进行识别，识别结果随隐状态维数的变化如图2所示。

2.2)设定隐状态维数为3，在不同的训练样本集大小条件下，分别对三类目标测试样本的识别特征进行识别，识别结果随训练样本集大小的变化如图3所示。

3.实验结果分析

从图2中可以看出，当隐状态维数小于3时，用本发明的方法获得的平均正确识别率较低。这是因为隐状态维数较低的状态空间模型不能准确描述高分辨距离像的统计特征。当隐状态维数等于3时，用本发明的方法获得的平均正确识别率达到了90.4％，这说明用本发明的方法能够获得很好的识别性能。而且，当隐状态维数继续增加时，用本发明的方法获得的平均正确识别率变化不大，这说明本发明的方法对隐状态维数的变化是稳健的。

从图3中可以看出，随着训练样本数的急剧减少，用本发明的方法获得的平均正确识别率只有小幅度下降。相比于使用全部训练样本得到的平均正确识别率90.2％，当选用全部训练样本总数5％的样本来训练识别系统时，用本发明的方法获得的平均正确识别率只下降了1.3％；在更极端的情况下，选用全部训练样本总数0.5％的样本来训练识别系统时，用本发明的方法获得的平均正确识别率也只下降了2.5％。这说明即使在训练样本很少的情况下，用本发明的方法也能获得很高的识别性能。

Claims

1.一种基于状态空间模型的雷达高分辨距离像目标识别万法，包括如下步骤：

z_f＝Cx_f+v_f，

x_f+1＝Ax_f+w_f，

2.根据权利要求1所述的雷达高分辨距离像目标识别方法，其中步骤3)所述的用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R，按如下步骤进行：

3a)用Kalman滤波方法，按照标号f从1到d的变化顺序，逐次估计训练样本识别特征z的所有隐状态x_f的前向预测均值和前向预测协方差矩阵，f＝1，2，...，d，d是训练样本识别特征的维度，再用RTS平滑方法按照标号f从d到1的变化顺序，逐次估计训练样本识别特征z的所有隐状态x_f的后向平滑均值和后向平滑协方差矩阵；

3b)用训练样本识别特征z的所有隐状态x_f的前向预测均值、前向预测协方差矩阵、后向平滑均值和后向平滑协方差矩阵，更新训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R，f＝1，2，...，d；

3c)将步骤3a)-3b)重复迭代100次，最终得到训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R。

3.根据权利要求1所述的雷达高分辨距离像目标识别方法，其中步骤4)所述的提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征，按如下步骤进行：

4a)对高分辨距离像测试样本进行傅里叶变换，将其转换到频域，并对测试样本的频域信号取模值，得到测试样本的频谱幅度信号y′＝[y₁′，y₂′，...，y_d′]，其中，y_i′是测试样本的频谱幅度信号y′的第i个元素，i＝1，2，...，d，d表示测试样本的频谱幅度信号y′的维度；

4b)对测试样本的频谱幅度信号y′进行归一化，将测试样本归一化后的频谱幅度信号z′作为测试样本的识别特征。